通信行业为什么需要AI？

AI与通信

毫无疑问，AI是目前最受关注的前沿科技，也是最热门的研究方向。经过几十年的探索和发展，AI在图像识别、语言识别、智能控制等领域取得了重大突破。现在，越来越多的行业都开始研究AI，拥抱AI，希望借助AI，给自己赋能。通信行业也不例外。

这些年，包括设备商和运营商在内的很多通信企业，都加大了对AI的研究投入，希望能探索出“通信+AI”的未来场景，抢占先机。尤其是运营商，对AI简直是“望眼欲穿”。

通信行业为什么需要AI？

通信行业对AI的迫切需求，是由网络发展的现状和未来决定的。

经过2/3/4G的发展，我们现在所面对的通信网络，是一个空前复杂的异构多域网络。各种技术混杂其中，网络架构臃肿，业务流程繁琐，给维护带来了巨大的压力。

如今，我们又要面临5G的到来。

5G，作为新一代移动通信标准，带来了网络性能和灵活性的大幅提升。但是，它同样也带来了网络复杂程度的进一步提升。

在空口方面，5G使用了更高的频段，更灵活的空口资源划分方式，而且引入了Massive MIMO天线阵列技术。波束赋形如何有效控制，空口效率如何优化提升，给工程师们出了难题。

图1：Massive MIMO天线阵列

在网络架构方面，因为SBA（微服务）、NFV/SDN和切片技术的引入，网络变得灵活是没错，可是，维护的难度也变得更大了。虚拟机、切片资源的管理调度，网络参数的修改调整，都是非常繁琐的工作，风险也很大。

图2：5G网络架构

5G带来的这些变化，如果继续采用传统的运维方式，继续依赖人工，肯定无以为继。

通信运营商，作为网络经营的主体，一方面要承担高昂的网络运营成本，另一方面还要投资建设5G，资金压力更大，面临发展拐点。

因此，必须借助AI，构建新的通信网络经营模式。

甚至，我们的网络要进化到更高级的形态——智能自治网络，才能应对挑战。

通信行业适合AI生长吗？

通信行业对于AI来说，是一块肥沃的土壤。

AI的四大要素（数据、算力、算法、场景），通信全部可以提供完美的支持。数据

数据，是AI之源。我们说人工智能，机器学习、深度学习，学的是什么？就是数据。

换句话说，数据就是喂养AI的饲料。数据越多，AI越强。什么行业数据多？当然是IT和通信啊。我们的通信网络，几百万设备，几十亿手机终端，将来还有几百亿物联网终端，每天都在产生大量的数据。这些数据里面，既有用户的数据，也有网络自身的管理和运营数据。数据格式比较统一，颗粒度也比较小，非常适合作为学习样本。

而且，我们通信网络本身就具有连接属性，可以很方便地将数据进行搬运采集。

算力

这个就更不用说了。运营商本身就有大量的数据中心（DC），有大量的云计算资源。这些资源，可以为AI提供强大的算力支撑。

除了云计算中心，未来还有大量的边缘计算中心，也能够提供灵活的算力。

哪怕是手机这样的用户终端设备，现在也拥有相当强的AI算力。

算法

通信行业在AI算法开发上也是有先天优势的。

通信网络的很多场景都有极强的规律性，也有很多现成的工作模型。这些都可以为AI算法模型提供参考依据。

哪些通信场景，可以使用AI？

前面说了数据、算力和算法。接下来，我们重点说说场景。

所谓场景，就是要搞明白——AI到底能帮助5G和传统通信做哪些事情？

国内外各大标准组织对AI在通信领域的落地场景，都有各自不同的定义。

表1是ETSI ENI定义的场景：

表1

表2是GSMA的定义：

表2

整理后，大致包括以下几个类别：

无线网络优化

告警分析

流量预测

网络切片管理

网络能耗控制

网络安全防护

我们分别来介绍一下。

无线网络优化

移动通信网络的网络优化，直接影响到用户的网络体验，一直是运营商的工作重点。

说白了，如何用最少的钱，让大家拥有最好的信号，是运营商每天绞尽脑汁在做的事情。无线网络的优化和固定网络有很大的不同。电磁波在空间中传播，存在很多的不确定性。无线场景复杂多样，外部干扰千奇百怪，信道变化随机性强。为了做好网络优化，运营商不得不投入大量的资金和人力，聘用或租赁人数众多的网优工程师，专门从事信号质量测试以及调参等网优工作。

采用AI的话，可以借助算力，在海量的网优数据中抽取隐含的关联特征和规则，然后建立算法模型，优化参数调整策略，提高网络资源利用率以及网络容量。

图3：设备商展示的AI无线网络优化方案

AI不仅可以用于已建成网络的质量优化，在网络早期规划建设阶段，就可以引入AI，帮助提升规划的合理性，降低后期成本。

图4：目前，AI算法主要应用在多维智能分析和智能价值评估两个流程中。智能规划全流程（《智能自治网络案例报告》，GSMA）

值得一提的是，无线网络优化确实是比较复杂的场景，有时候甚至人类都难以辨别和归类。所以，早期阶段的传统AI算法，建模准确率低，效果并不理想。

后来，随着时间的推移，AI算法不断改进和优化，才慢慢变得成熟和可靠。

由此可见，通信领域的AI算法，也是一个不断打磨的过程。告警分析和故障处理

未来的网络，虽然拓扑结构复杂，但一定是端到端网元全程可视的。

也就是说，整张网络，所有网元，都会呈现在管理维护者的面前。同时，所有的告警数据、KPI关键指标异常，也都是可视化的。巨大的信息量，仅靠简单规则过滤或人工识别，是非常困难的。真正有价值的信息，会被淹没在海量数据中，遭到忽视，给网络运行带来隐患。引入AI，可以基于现有相对成熟的规则库和经验建立更智能更精准的算法，帮助进行更有效的告警过滤。

图5：告警根因分析处理流程（《智能自治网络案例报告》，GSMA）

AI智能告警分析还有一个很大的优势，就是可以跨网元、跨地域、跨厂商进行关联告警分析，提升故障判断的准确率。

举个例子，传统方式下，当某项业务或功能异常，A设备的工程师会发现告警，然后进行基本排查。如果找不到原因，会通知对B设备的工程师排查。如果还未发现原因，再通知和业务关联的C甚至D设备的工程师排查。

AI处理告警信息是联动的。它通过对各个设备告警信息的统一分析，根据之前学习的结果，直接就判断出最有可能的Top3原因。

这样一来，故障处理的效率就会大幅提升。

图6

未来真正的自治网络，不仅能够自主发现故障，更可以实现故障自愈。

也就是说，发现故障或异常后，AI在很短的时间内就可以进行类似VM（虚拟机）自动隔离，备份资源接管等操作，第一时间实现业务恢复，无需人为干预。

流量智能预测

通信业务流量趋势，具有非常明显的时间特点。每天不同时间、不同地点的业务量负荷，都有潜在的规律。

例如学校，就有很强的潮汐效应，白天宿舍区域流量小，教学区域流量大，晚上恰好相反。除了平时之外，法定节假日期间的用户流量趋势，也有明显的特征。引入AI，对流量进行精准预测，可以帮助运营商提前对基站和承载网资源进行动态调整（扩容/缩容）。自治网络下，AI可以自己完成调整动作。根据算法做出的预测，实际还是源于数据。一方面是当前实时的高颗粒度数据，另一方面，是往期的历史数据。

AI可以根据这些数据，通过机器学习算法，学习出流量在时间和空间上的内在规律，从而得出预测结果，指导资源调整。

网络切片管理

网络切片，是5G带来的一个重要概念。

简单来说，它就是在物理网络上，划分出多个逻辑网络，实现不同的服务质量等级。

网络切片虽然好，但也带来了部署和维护的工作量。

AI可以使用历史流量数据进行训练学习，从而预测各种场景下的资源需求，最终生成切片策略并下发。

在切片运行的过程中，AI同样可以根据实时运行得到的数据，对模型和策略进行优化，让它们更加完美。

引入AI，可以快速完成切片业务的部署，减少上线时间。在用户业务关闭后，第一时间释放切片以及对应的资源。网络能耗控制

5G网络的能耗一直都是一个大问题。在未来的网络运营过程中，虽然可以通过液冷等被动方式控制能耗，但更主要的手段，应该是动态调整功率输出的方式进行主动能耗控制。

这个和前文所说的AI性能动态调整场景有很大的关联。根据AI流量预测，调整资源分配，设备输出功率也随之变化，从而达到最佳效率，不浪费。

网络安全防护

目前通信网络面临前所未有的安全威胁。病毒、恶意攻击、敲诈勒索每天都在发生，而且数量激增。

病毒的演变越来越快，攻击类型也越来越复杂。传统的防御，是以特征匹配的方式进行攻击识别，在识别成功率和效率方面越来越吃力。即使是专家进行人工分析，也很难保证准确率。此外，万物互联时代，物联网爆发，网络会变得更加庞大复杂，被动防御的工作量和难度也会大幅增加。未来，安全防御逐渐从被动防御走向主动防御，从辅助安全走向内生安全。这些都离不开AI的帮助和支持。AI通过对网络流量、终端行为、内容载荷以及系统日志等信息进行深度分析学习，识别异常行为、恶意代码和风险操作，并建立更灵活的模型，可以挖掘出隐藏更深的威胁。此外，AI对垃圾短信防控、网络合规扫描也有巨大的帮助。

AI落地，有哪些挑战和困难？

前面吹了半天AI落地的好处，现在我们来看看AI落地的困难。

AI那么强，是不是我们现在就能拿起来用呢？

当然不是。

AI的落地应用，对运营商和设备商来说，难度很大。这个难度，不仅是资金和技术方面的，更是人才和文化方面的。

资金我们就不多说了，现在干什么都离不开钱。我们先说说技术。

前面我们说的AI四大要素，从技术层面来讲，算力目前有专门的解决方案提供商，问题不太大。更多的问题，是集中在数据和算法上。

数据是发展AI的前提。没有高质量的数据，在此基础上建立的算法模型就没有准确率可言。

目前数据最大的问题，是不够“干净”。

对于不同的运营商，或者同一运营商的不同省市公司，数据的采集和存储缺乏统一的标准，也没有进行规范要求。这就容易导致数据的缺失和失真。

为了让数据能够被AI消化，运营商需要花费大量的精力对数据进行规整和清洗。这无形中增加AI落地的难度和成本。

此外，数据也不是想用就可以用的。

现在世界各国法规对用户数据的使用有越来越严格的要求，即使是运营商，也不能随便采集和使用用户的数据，必须符合合规的要求。

运营商握有数据，搞AI还比较方便。设备商就比较尴尬了，他们是没有数据的。

运营商那边不提供数据，设备商这边的研发和建模就没办法进行。运营商如果给设备商提供数据，也必须进行脱敏。

再来看看人才。

任何技术的研究都离不开人才，AI也一样。

传统运营商和设备商，懂通信不懂AI。而AI企业，懂AI不懂通信。如此一来，既懂通信又懂AI的人才，就显得非常宝贵。

尤其是运营商这边，作为AI落地的主要战场，AI人才缺口更大。就算AI解决方案提供出来，基层没有AI工程师去驾驭，显然也是不行的。

除了人才之外，还有制度和文化。

AI不是一项独立的技术，它需要整个运维工作流程和管理制度做出调整、配合，才能发挥威力。

各个岗位的员工，是否愿意接纳AI，是否有AI意识，也是AI能够成功落地的关键。

总而言之，AI不是一日建成的。整个通信行业的各个环节，都需要持续投入大量的时间、金钱、人力，去培养和孵化它。

“通信+AI”的未来

根据研究机构Tractica/Ovum的报告，电信行业中，AI应用带来的年收入，将从2016年的3.157亿美元，增长至2025年的113亿美元。年复合增长率将达到48.8%。同时，报告还预测，到2025年，全球电信行业对人工智能软硬件和服务的投资将达到367亿美元。另一家咨询机构Analysis Mason的调研报告也声称，80%的运营商预期在2025年之前实现40%以上的网络运营自动化，其中约有三分之一的运营商预期网络自动化将达到80%以上。通信+AI，是大势所趋。目前，国内三大运营商和主流设备商都在AI方面有很大的投入，也有了可喜的成果。

中国移动的九天人工智能平台、中国电信的CTNet2025 2.0，中国联通的智立方CUBE-NET2.0+，都是针对AI的生态平台。他们希望通过平台赋能，吸引更多开发者使用他们的AI引擎，从而形成生态。

运营商的重点在于平台和生态，而设备商的重点在于场景化的解决方案。

前面我们介绍的场景，设备商都处于积极的开发阶段。算法模型在不断的打磨中，逐渐从低级走向高级。算法的效率，也在显著的提升。

按照目前的发展态势，待到5G成熟之日，也是AI全面落地开花之时。

最后分享下AI对通信工程师职业发展的影响。

毫无疑问，通信网络往智能化方向发展的趋势是无法阻挡的，AI对部分人工岗位的取代也是无法避免的。

我们现在还不能确定AI的发展速度到底能有多快，也不知道具体什么时候才能真正威胁到我们的饭碗。但是，提前规划，早做准备，是不会错的。

还是那句老话，越是低级的、重复的、机械化的工作，越有可能被AI取代。

如前文所说，通信人，先想办法成为通信+AI的复合型人才。

既然AI要替我们来管理和维护网络，那么，我们干脆让自己成为管理AI的人。毕竟，再好的AI，也必须在人类的管理之下工作。

通信工程师可以努力学习AI知识，成为一名AI专家，利用自身的网络运维经验，将通信专业知识和AI技能进行深度融合，可以设计出更好的AI模型算法，也能够帮助AI进行更有效率的训练优化。

总而言之，与其抗拒和排斥AI，不如积极拥抱AI，拥抱变化。能够适应变化的人，才能在变革浪潮到来之时，屹立潮头永不倒。
责任编辑:pj